ドキュメントの分類が複雑すぎますか? MITとIBMは協力してこの問題を解決した

[[286340]]

【画像出典：venturebeat オーナー：venturebeat 】

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

最も優れたテキスト解析推奨アルゴリズムであっても、特定のサイズのデータ​​セットによって妨げられます。既存のほとんどの方法よりも高速で優れた分類パフォーマンスを提供するために、MIT-IBM Watson AI ラボと MIT の幾何データ処理グループのチームは、埋め込みや最適輸送などの一般的な AI ツールを組み合わせた手法を設計しました。

彼らは、このアプローチは、一人の人物の歴史的な好み、または集団の好みだけを考慮することで、何百万もの可能性をカバーできると主張している。

「インターネット上には膨大な量のテキストがあり、その内容を整理するのに役立つものは何でも非常に有用だ」と、MIT助教授でこの研究の主執筆者であるジャスティン・ソロモン氏は声明で述べた。

これを実現するために、ジャスティン・ソロモン氏とその同僚は、テキストのコレクションをコレクション内の共通語に基づいてテーマごとに整理するアルゴリズムを使用しました。次に、各テキストを 5 ～ 15 の最も重要なトピックに分割し、ランキングを通じて各トピックのテキスト全体に対する重要度を表示します。

さらに、埋め込み（この場合は単語のデータ表現）は単語間の類似性を明らかにするのに役立ち、最適なトランスポートは複数の宛先間でオブジェクト（またはデータ ポイント）を移動する最も効率的な方法を計算するのに役立ちます。同時に、埋め込みにより、「両方の長所を活用する」ことが可能になります。つまり、まずコレクション内のトピックを比較し、次に共通トピックの重複の程度を測定することです。

研究者らは、この方法は大量の書籍や文書をスキャンするときに特に効果的だと述べている。 Gutenberg Project データセットの 1,720 タイトルを評価したところ、アルゴリズムはすべてのタイトルを 1 秒未満で比較することに成功しました。これは、次に優れたパフォーマンスを示したアルゴリズムの約 800 倍の速さです。

さらに、このアルゴリズムは他の方法と比較して、ドキュメントの分類に優れています。たとえば、Gutenberg データセット内の書籍を著者別にグループ化したり、Amazon の製品レビューを部門別にグループ化したりします。同時に、アルゴリズムはトピックのリストも提供し、特定のドキュメントが推奨される理由をユーザーに説明できるため、ユーザーが理解しやすくなります。

しかし、研究者たちは現在の技術レベルに満足していない。また、現在実装されているように個別にではなく、埋め込み、トピック モデル、最適なトランスポートを共同で最適化できるエンドツーエンドのトレーニング手法の開発も継続します。応用面では、彼らは自分たちの手法をより大きなデータセットに適用し、画像や 3D データ モデリングへの応用を調査したいと考えています。

ジャスティン・ソロモン氏は、自身の研究をまとめた論文の中で、（私たちのアルゴリズムが）違いを捉える方法は、まず各文書をわかりやすい概念に分解し、次にその概念を比較するという、人が 2 つの文書を比較する方法と同じであるようだと述べています...

さらに詳しい考察として、ジャスティン・ソロモン氏は次のように述べています。

単語埋め込みによってグローバルな意味言語情報が提供され、トピック モデルによってコーパス固有のトピックとトピック分布が提供されます。経験的に、これらの要素が組み合わさることで、さまざまなメトリックベースのタスクで優れたパフォーマンスが得られます。